I. Pendahuluan
Dewasa ini, listrik merupakan salah satu kebutuhan primer yang harus terpenuhi di berbagai bidang. Sistem tenaga listrik memiliki keandalan yang tinggi ketika mampu memberikan energi listrik secara kontinu dengan kualitas daya yang baik yaitu nilai tegangan maupun frekuensinya yang konstan. Electricity Supply Monitoring Initiative (ESMI) merupakan proyek PLN untuk memantau listrik yang didistribusikan secara real-time, dengan merekam tegangan dan frekuensi serta durasi listrik padam yang terjadi. Dari hasil pemantauan, diketahui bahwa listrik dari PLN tidak selalu konstan [1].
Di dunia industri proses produksi bergantung pada kualitas dari listrik yang digunakan. Peralatan kontrol untuk produksi yang berbasis elektronika daya sangat sensitif terhadap perubahan tegangan [2].
Tegangan AC jika ditinjau dari nilai RMSnya memiliki dua kodisi yaitu: kondisi normal merupakan kondisi tegangan yang aman untuk peralatan, memiliki rentang nilai di atas 0,9 pu hingga di bawah 1,1 pu dari tegangan nominal. Kemudian kondisi tak normal atau gangguan merupakan kondisi di luar nilai tegangan normal.
Berdasarkan IEEE std. 1159 [3], gangguan tegangan dibagi menjadi enam jenis yaitu interruption, sag, swell, sustained-interruption, undervoltage dan overvoltage.
Implementasi Fuzzy Logic untuk Identifikasi Jenis Gangguan Tegangan secara Real Time
Ahmad Alvi Syahrin, Dimas Okky Anggriawan, dan Eka Prasetyono Politeknik Elektronika Negeri Surabaya
Jalan Raya ITS Sukolilo, Kampus PENS, Surabaya 60111 e-mail: [email protected]
Abstrak—Di era modern, gangguan tegangan AC masih sering menjadi masalah. Gangguan ini menyebabkan penurunan kualitas daya hingga kerusakan peralatan. Gangguan tegangan dapat berupa gangguan durasi pendek dan durasi panjang. Gangguan tersebut terdiri dari enam jenis diantaranya interruption, sag, swell, sustained- interruption, undertvoltage dan overvoltage. Untuk mempermudah perbaikan ketika terjadi gangguan tegangan pada sistem tenaga listrik, perlu adanya pengidentifikasian yang dapat mendeteksi dan membedakan setiap gangguan yang terjadi. Oleh karena itu, makalah ini mengusulkan metode fuzzy logic untuk mengidentifikasi 6 jenis gangguan tegangan. Pengidentifikasi jenis gangguan tegangan ini membutuhkan simulator gangguan sebagai sumber tegangan dengan nilai yang bervariasi. Untuk membedakan antara gangguan durasi pendek dan durasi panjang, adalah durasi waktu dari munculnya gangguan. Perencanaan algoritma identifikasi gangguan tegangan menggunakan fuzzy inference system sugeno dengan dua input yaitu magnitude Vrms dan timer, dan satu output yaitu jenis gangguan tegangan. Pada perancangan prototipe menggunakan sensor tegangan AMC1200, mikrokontroler, dan display. Untuk memvalidasi algoritma yang diusulkan, maka dibandingkan dengan alat ukur standar dan simulasi.
Hasil menunjukkan algoritma yang diusulkan memiliki performa yang sangat baik dengan akurasi pengukuran dibanding alat ukur standar sebesar 99,8%.
Kata kunci: gangguan tegangan, monitoring, identifikasi, fuzzy logic, real time
Abstract—In the modern era, AC voltage variations are still often a problem. This variation causes power quality to decrease even damage the equipment. Voltage variations that often occur are short and long duration. The variation consists of 6 types, namely Interruption, Sag, Swell, Sustained-Interruption, Undervoltage, Overvoltage. The system needs to identify and distinguish any interference to facilitate repairs when there is a voltage variation in the electric power system. Therefore, this paper proposes a fuzzy logic method for identifying types of voltage variations. This type of voltage variation identifier requires a disturbance simulator as a voltage source with varying values. To distinguish between short duration and long duration disturbances, is the time duration of the trouble appears. The voltage variation identification algorithm’s design uses the Sugeno fuzzy inference system with two inputs, namely magnitude Vrms and timer, and one output is the type of voltage interference. Moreover, prototype design using the AMC1200 voltage sensor, microcontroller, and display. To validate the proposed algorithm, compared with standard measuring tools and simulations. Results show that the proposed algorithm has an outstanding performance with accuracy than the standard measuring instrument of 99.8%.
Keywords: voltage variation, monitoring, identification, fuzzy logic, real time
Copyright © 2020 Jurnal Rekayasa Elektrika. All right reserved
Received 26 August 2020; Revised 25 September 2020; Accepted 08 October 2020
Kondisi tegangan dengan tegangan nominal 220 V, dapat dibagi menjadi tujuh kategori seperti pada Tabel 1.
Dengan adanya permasalahan kualitas daya khususnya pada tegangan, identifikasi secara cepat dan akurat menjadi penting untuk dilakukan [4], [5]. Hal ini dikarenakan gangguan jenis ini yaitu yang memiliki durasi gangguan sangat singkat, sering kali tidak terdeteksi dan tidak diketahui. Ketika masalah ini dibiarkan, dapat menyebabkan peralatan listrik yang terpasang pada jaringan mengalami kegagalan fungsi hingga penurunan life time.
Dalam perkembangannya, penelitian terkait identifikasi gangguan tegangan telah banyak dilakukan [6]-[8].
Akan tetapi, pada penelitian tersebut hanya menjelaskan mengenai identifikasi dua jenis gangguan tegangan yaitu voltage sag dan voltage swell. Dalam penerapannya, sistem yang ingin dibuat akan melakukan deteksi terhadap gangguan tegangan dan mengklasifikasikan jenis gangguan tegangan yang terjadi menggunakan metode fuzzy logic. Metode fuzzy logic dipilih karena telah dibahas oleh Abdelazeem [9], dan Martin [10]. Akan tetapi dalam kedua penelitian tersebut desain fuzzy logic yang digunakan kurang sederhana dan tidak digunakan untuk mengidentifikasi enam jenis gangguan.
Sehubungan dengan semua yang telah dibahas, maka tujuan dari makalah ini adalah pembuatan sistem yang dapat mengidentifikasi gangguan tegangan AC secara cepat dan akurat. Dimana penulis mengusulkan algoritma fuzzy logic yang lebih sederhana dan tepat sasaran untuk mengidentifikasi enam jenis gangguan tegangan. FIS yang digunakan adalah FIS Sugeno dengan dua jenis input dan satu macam output. Diharapkan dengan adanya sistem ini dapat menjadi bahan evaluasi untuk perbaikan kulitas daya pada suatu jaringan.
II. Gangguan Tegangan
Gangguan tegangan dibagi menjadi Short Duration (RMS) Variation dan Long Duration (RMS) Variation.
SDV memiliki durasi hingga satu menit dan dibagi menjadi tiga jenis yaitu interruption, sag, dan swell. LDV memiliki durasi diatas satu menit dan dibagi menjadi tiga jenis yaitu sustained-interruption, undervoltage, dan overvoltage [11].
A. Interruption
Interruption merupakan gangguan yang terjadi ketika nilai tegangan kurang dari 10% dari tegangan nominal selama jangka waktu 0.01 detik sampai 1 menit.
Interruption dapat disebabkan oleh gangguan sistem tenaga, kerusakan peralatan dan malfungsi kontrol.
B. Sag
Sag merupakan gangguan yang terjadi ketika nilai tegangan 10% hingga 90% dari tegangan nominal selama jangka waktu 0.01 detik sampai 1 menit. Sag dapat disebabkan oleh operasi switching yang terkait dengan pemutusan sementara suplai, aliran arus inrush yang terkai dengan starting beban motor atau aliran arus gangguan.
C. Swell
Swell merupakan gangguan yang terjadi ketika nilai tegangan 110% hingga 120% dari tegangan nominal selama jangka waktu 0.01 detik sampai 1 menit. Swell dapat disebabkan oleh pemadaman beban besar, load shedding dan switching pada kapasitor bank yang besar.
D. Sustained-Interruption
Sustained-interruption merupakan gangguan yang terjadi ketika nilai tegangan di bawah 10% dari tegangan nominal selama jangka waktu di atas 1 menit. Sustained- Interruption dapat disebabkan oleh gangguan sistem tenaga, kerusakan peralatan dan malfungsi kontrol yang menyebabkan pemutusan suplai menuju beban selama lebih dari 1 menit.
E. Undervoltage
Undervoltage merupakan gangguan yang terjadi ketika nilai tegangan 10% hingga 90% dari tegangan nominal selama jangka waktu di atas 1 menit. Undervoltage dapat disebabkan oleh keadaan overload atau beban lebih pada rangkaian dan operasi pensaklaran beban atau pemutusan kapasitor bank.
F. Overvoltage
Overvoltage merupakan gangguan yang terjadi ketika nilai tegangan di bawah 10% dari tegangan nominal selama jangka waktu di atas 1 menit. Overvoltage dapat disebabkan oleh operasi pensaklaran beban seperti switching dari sebuah beban besar atau kapasitor bank.
III. Desain dan Perancangan Sistem A. Algoritma Fuzzy Logic
Perencanaan desain fuzzy logic yaitu menentukan tipe FIS yang digunakan, yaitu menggunakan FIS Sugeno
Tabel 1. Ketegori kondisi tegangan berdasarkan standart IEEE 1159 Kategori Durasi Waktu Besar Tegangan
1. Normal - > 198 V - < 242 V
2. Interruption 0,01 - 60 detik < 22 V
3. Sag 0,01 - 60 detik 22 V – 198 V
4. Swell 0,01 - 60 detik 242 V – 264 V
5. Sustained -interruption > 60 detik < 22 V 6. Undervoltage > 60 detik 22 V – 198 V 7. Overvoltage > 60 detik 242 V – 264 V
karena output dari Sugeno telah memiliki nilai crisp. Selain itu juga menentukan parameter input yang digunakan juga rule base kemudian yang terakhir yaitu nilai output.
Selain itu, perlu juga untuk mendesain bentuk algoritma fuzzy yang digunakan. Dimana pada sistem ini desain fuzzy logic yang digunakan didapatkan dari referensi jurnal kemudian penulis sesuaikan agar lebih sederhana dan dapat mengidentifikasi enam jenis gangguan tegangan.
Desain fuzzy logic yang telah penulis modifikasi dapat dilihat pada Gambar 1.
Dapat dilihat pada Gambar 1 bahwa pada sistem ini menggunakan dua macam variabel input dan satu variabel output.
a. Variabel Input 1. Magnitude Vrms
Merupakan nilai dari tegangan rms yang terukur setiap saat. Nilai efektif dari satu gelombang penuh tegangan AC.
2. Timer
Merupakan durasi waktu dari perubahan relatif nilai tegangan terhadap nilai tegangan nominal di luar batas toleransi. Toleransi yang dimaksut adalah 10% dari nilai nominal yang berarti nilai toleransi memiliki rentang > 198 sampai < 242.
b. Variabel Output 1. Kondisi
Merupakan nilai yang menyatakan suatu kondisi dari tegangan pada jaringan. Nilai ini merupakan nomor urut dari kategori kondisi tegangan.
Dari Gambar 2 dapat dilihat bahwa varibel input magnitude Vrms dibagi menjadi empat label diantaranya yaitu:
a. VLM (Very Low Magnitude)
Rentang nilai yang masuk kategori VLM adalah x1
< 22 V
b. LM (Low Magnitude)
Rentang nilai yang masuk kategori LM adalah 22V
≤ x1 ≤ 198 V
c. NM (Normal Magnitude)
Rentang nilai yang masuk kategori NM adalah 198V < x1 < 242 V
d. HM (High Magnitude)
Rentang nilai yang masuk kategori HM adalah x1
≥ 242 V
Dari Gambar 3 dapat dilihat bahwa varibel input timer dibagi menjadi tiga label diantaranya yaitu:
a. ST (Short Time)
Rentang nilai yang masuk kategori ST adalah 0.01 s ≤ x2 ≤ 60 s
b. LT (Long Time)
Rentang nilai yang masuk kategori LT adalah x2
> 60 s
Dimana x1 merupakan nilai tegangan yang terukur dalam tegangan rms, pu merupakan per unit, dan x2 merupakan nilai waktu yang terukur dalam detik.
Rule Base dari sistem ini dari yang awalnya delapan rule (4x2) menjadi hanya tujuh rule. Hal ini dikarenakan terdapat dua rule yang memiliki nilai yang sama dan dapat dijadikan satu rule, sehingga didapatkan tujuh rule diantaranya yaitu:
1. If (magnitude-Vrms is NM) then (kondisi is normal) 2. If (magnitude-Vrms is VLM) and (time is ST) then
(kondisi is interruption)
3. If (magnitude-Vrms is LM) and (time is ST) then (kondisi is sag)
4. If (magnitude-Vrms is HM) and (time is ST) then (kondisi is swell)
5. If (magnitude-Vrms is VLM) and (time is LT) then (kondisi is sustained-interruption)
6. If (magnitude-Vrms is LM) and (time is LT) then (kondisi is undervoltage)
7. If (magnitude-Vrms is HM) and (time is LT) then (kondisi is overvoltage)
Untuk output dari fuzzy logic yang penulis desain dapat dilihat pada Gambar 4. Dari gambar tersebut dapat dilihat bahwa variabel output dibagi menjadi tujuh label
Gambar 1. Desain fuzzy logic pada matlab
VLM LM NM HM
22V 198V 242V 0
1
264V 0V
Gambar 2. Membership function plots variabel input magnitude Vrms
ST LT
0 90s 1
0,01s 60s
Gambar 3. Membership function plots variabel input timer
0 1
1 2 3 4 5 6 7
Interuption Sag Swell Sustained Interuption Undervoltage Overvoltage
Normal
Gambar 4. Membership function plots variabel output kondisi
berdasarkan nomor urut. Hal ini berarti ketika output dari fuzzy logic = 1 maka artinya tegangan dalam kondisi normal, ketika output fuzzy logic = 2 maka artinya dalam kondisi interruption dan seterusnya.
B. Algoritma RMS
RMS (Root Mean Square) merupakan nilai efektif dari bentuk gelombang sinusoidal. Dimana nilai RMS adalah nilai yang ekuivalen dengan bentuk gelombang DC yang nilainya konstan. RMS biasanya digunakan untuk memudahkan dalam proses pengukuran. RMS biasa digunakan untuk mengukur nilai tegangan maupun arus dari bentuk gelombang non DC seperti contoh gelombang AC.Persamaan (1) digunakan untuk menghitung nilai tegangan RMS pada gelombang sinus untuk monitoring
kualitas daya. Persamaan ini muncul berdasarkan pencuplikan data oleh mikrokontroler berdasarkan waktu tertentu atau biasa disebut frekuensi sampling.
2 1
1 (
Vrms x 1)
i
x =Vi
=
∑
Dimana Vrms adalah nilai tegangan rms, x merupakan jumlah sampel, dan Vi nilai tegangan pada sampel ke–i.
Nilai Vrms inilah yang akan dilanjutkan untuk proses selanjutnya yaitu penghitungan durasi gangguan (timer).
Dimana nilai Vrms dan timer akan menjadi input dari proses fuzzy logic untuk identifikasi.
C. Flowchart Proses Identifikasi Gangguan Tegangan Gambar 5 memperlihatkan alur proses identifikasi gangguan tegangan menggunakan algoritma fuzzy logic.
Proses dimulai dengan pencuplikan data sensor tegangan untuk proses ADC juga proses rms. Nilai rms ini ketika di luar toleransi maka akan memulai penghitungan durasi gangguan atau timer sehingga nilai Vrms dan timer dapat masuk menuju ke proses fuzzy logic dan didapatkan satu hasil yaitu kondisi tegangan.
D. Hardware System
Pada bagian ini merupakan tahap implementasi.
Embedded system untuk memproses algoritma yang diusulkan menggunakan mikrokontroler ARM STM32F7.
Mikrokontroler ARM STM32F7 memiliki frekuensi 167 Mhz sehingga mampu mempemroses sinyal dengan akurasi dan kecepatan tinggi. Mikrokontroler ARM STM32F7 juga dilengkapi dengan ADC 12 bit. Selain itu pada mikrokontroler ARM STM32F7 juga terdapat display LCD TFT 4,3 yang dapat memudahkan dalam pengoperasian.
Skema pengidentifikasi gangguan tegangan berupa blok diagram dapat dilihat pada Gambar 6. Dimana untuk mendapatkan nilai tegagan yang bervariasi sebagai gangguan tegangan menggunakan simulator gangguan.
Sehingga dari sumber 220 V menuju simulator gangguan kemudian menuju beban. Sensor tegangan mendeteksi sinyal tegangan dengan frekuensi sampling 5000 Hz.
Dengan jumlah 100 data setiap satu proses ADC. Data diolah untuk mendapatkan nilai Vrms dan timer untuk input proses fuzzy logic untuk mengidentifikasi jenis gangguan tegangan. Implementasi dari hardware system berupa prototipe yang dapat dilihat pada Gambar 7.
IV. Hasil dan Pembahasan
Untuk mengevaluasi algoritma yang diusulkan, pengujian dilakukan dengan menghubungkan simulator gangguan dengan beban lampu pijar secara seri dimana nilai tegangan dihubungkan secara paralel dengan prototipe serta multimeter digital seperti pada Gambar 8.
Pengujian pertama adalah pengujian sensor tegangan
START
Inisialisasi Variabel
Baca DMA_ADC(1) ADCV = DMA_ADC(1) – ADC offset
ADC Vrms = √𝐴𝐷𝐶𝑉2 / jumlah data
Vrms = ADC Vrms * Persamaan Linieritas
END Timer = 0 Vrms > 198 && < 242V?
? Timer++
Proses Fuzzy Logic
Yes No
Gambar 5. Flowchart proses identifikasi gangguan tegangan
Microcontroller STM32F7
ADC USART
LCD TFT LTDC 4,3"
Data Logger
Sensor Tegangan AMC1200
Beban Lampu Pijar Jala-jala
220VPLN
Simulator Gangguan
Keterangan:
= Aliran Daya
= Aliran Data
Gambar 6. Skema pengidentifikasi gangguan tegangan
AMC1200. Sensor tegamgan AMC1200 akan membaca secara analog dari nilai tegangan yang terukur pada sistem yang terhubung dengan ADC mikrokontroler. Nilai dari pengukuran pembacaan ini juga dirubah menjadi nilai rms yang selanjutnya digunakan untuk menghitung durasi gangguan, Vrms dan timer kemudian digunakan sebagai input untuk proses fuzzy logic. Pengujian kedua adalah pengujian penghitung durasi gangguan atau timer.
Pada pengujian ini digunakan untuk validasi kehandalan sistem dalam menghitung durasi ketika mulai terjadi gangguan. Pada pengujian ini timer dibandingkan dengan stopwatch yang dimulai bersamaan. Pengujian ketiga adalah pengujian untuk proses fuzzy logic menggunakan simulasi. Hal ini dilakukan untuk mengetahui kehandalan algoritma yang telah didesain. Hasil simulasi fuzzy logic ini perlu dibandingkan dengan standart IEEE 1159 – 2019. Hasil pengujian simulasi ini juga digunakan untuk validasi data dengan hasil identifikasi gangguan tegangan pada prototipe. Pengujian terakhir adalah pengujian untuk validasi data hasil identifikasi gangguan tegangan oleh prototipe dibandingkan dengan simulasi.
A. Pengujian Sensor Tegangan AMC1200
Pada pengujian ini digunakan untuk mengetahui kehandalan dari sensor tegangan yang telah dibuat.
Dikarenakan output dari AMC1200 adalah lebih kecil dari nilai inputnya. Sehingga perlu untuk mengetahui persamaan linieritas hubungan antara teganagn input dan tegangan output. Pada tegangan output nilai yang dapat dilihat merupakan nilai Analog to Digital Converter (ADC) pada mikrokontroler. Oleh karena itu perlu untuk mendapatkan persaman linieritas untuk kalibrasi sensor tegangan.
Gambar 9 merupakan perbandingan tegangan output dengan tegangan input. Data hasil pengujian sensor tegangan yang telah terkalibrasi dan dibandingkan dengan pembacaan multimeter digital true-rms yang dapat dilihat pada Tabel 2. Dari hasil pengujian tersebut didapat hasil bahwa sensor tegangan mampu membaca nilai tegangan dengan rata-rata error sebesar 0,2 %. Sehingga dapat dikatakan bahwa sistem memiliki akurasi pengukuran sebesar 99,8%.
B. Pengujian Algoritma Penghitung Durasi Gangguan Pada pengujian ini dilakukan melalui debug keil yaitu dengan memasukkan nilai x1 yang merupakan nilai Vrms maka durasi gangguan atau timer akan mulai menghitung yaitu x2. Stopwatch dan nilai x2 dapat dilihat pada Gambar 10. Dari gambar tersebut dapat dilihat bahwa dari penghitungan oleh sistem relatif sama dengan stopwatch.
Dimana hanya memiliki selisih 0,03 detik dikarenakan perbedaan dalam memulai stopwatch.
C. Pengujian Algoritma Fuzzy Logic untuk Identifikasi Dalam pengujian algoritma fuzzy logic, terlebih dahulu harus membuat desain fuzzy logic pada matlab kemudian dimodelkan menggunakan simulink. Dimana untuk bentuk simulasinya sendiri dapat dilihat pada Gambar 11.
Nilai yang dimasukkan dalam simulasi fuzzy logic yaitu magnitude Vrms mulai dari 0 hingga 260 dengan step 10 dan timer dengan nilai 0,2; 30; 60; 61; 90. Langkah awal
(a)
Gambar 7. Prototipe sistem (a) rangkaian hardware pada board (b) (b) rangkaian hardware yang terintegrasi dengan mikrokontroler
Jaringan Tegangan Rendah
Multimeter Digital Sumber
1 Fasa
220V Beban
Prototipe Sistem Gambar 8. Pengujian sensor tegangan
Gambar 9. Perbandingan tegangan output terhadap tegangan input AMC1200
Gambar 10. Hasil pengujian algoritma penghitung durasi gangguan
untuk memulai simulasi yaitu dengan mengisi nilai AC source dan mengatur durasi simulasi, kemudian RUN.
Untuk pengujian algoritma fuzzy logic yang telah dibuat, hasil dari proses fuzzy logic perlu dibandingkan dengan standar IEEE 1159. Dimana standar tersebut jika disesuaikan dengan fuzzy logic dapat dilihat pada Tabel 3.
Kemudian untuk hasil dari pengujian ini dapat dilihat pada Tabel 4 dan Tabel 5.
Tabel 2. Hasil pengujian sensor tegangan dibandingkan multimeter No Pembacaan
Multimeter (Volt) Pembacaan
Sistem (Volt) Error Akurasi
1 10,02 10 0,2% 99,8%
2 20,24 20,1 0,7% 99,3%
3 30,37 30,2 0,6% 99,4%
4 40,1 39,9 0,5% 99,5%
5 50,16 50 0,3% 99,7%
6 60,3 60,1 0,3% 99,7%
7 70,2 70 0,3% 99,7%
8 80,4 80,2 0,2% 99,8%
9 90,2 90,2 0,0% 100,0%
10 100,5 100,1 0,4% 99,6%
11 110,2 110 0,2% 99,8%
12 120,1 120,3 0,2% 99,8%
13 130,3 130,1 0,2% 99,8%
14 140,4 140,5 0,1% 99,9%
15 150,1 150 0,1% 99,9%
16 160 160 0% 100%
17 170,5 170,5 0,0% 100,0%
18 180,3 180,3 0,0% 100,0%
19 190,4 190,5 0,1% 99,9%
20 200,4 200,6 0,1% 99,9%
21 210,3 210,5 0,1% 99,9%
22 220,1 220,3 0,1% 99,9%
23 230,2 230,5 0,1% 99,9%
24 240 240,5 0,2% 99,8%
25 250,4 250,9 0,2% 99,8%
Rerata Error 0,2%
Rerata Akurasi 99,8%
Keterangan Output:
1 = Normal 2 = Interuption 3 = Sag 4 = Swell 5 = Sustained-Interuption 6 = Undervoltage 7 = Overvoltage Identifikasi Gangguan Tegangan
1 Output 220
Vrms (Volt) 0 Timer (Sekon)
Gambar 11. Simulasi identifikasi gangguan tegangan dengan algoritma fuzzy logic
Tabel 3. Standar kondisi tegangan dengan fuzzy logic Standar
Voltage Condition Magnitude
(Vrms) Timer
(Sekon) Output Fuzzy
> 198 - < 242 - 1 normal
< 22 0,01 - 60 2 interruption
< 22 > 60 3 sustained-
interruption
22 - 198 0,01 - 60 4 sag
22 - 198 > 60 5 undervoltage
242 - 264 0,01 - 60 6 swell
242 - 264 > 60 7 overvoltage
Tabel 4. Hasil 1 pengujian simulasi algoritma fuzzy logic No Vrms (Volt) Timer (Sekon) Output Fuzzy
Logic
1 0 0,2 2
2 10 0,2 2
3 20 0,2 2
4 30 0,2 3
5 40 0,2 3
6 50 0,2 3
7 180 0,2 3
8 190 0,2 3
9 200 0,2 1
10 210 0,2 1
11 220 0,2 1
12 230 0,2 1
13 240 0,2 1
14 250 0,2 4
15 260 0,2 4
16 0 60 2
17 10 60 2
18 20 60 2
19 30 60 3
20 40 60 3
21 50 60 3
22 180 60 3
23 190 60 3
24 200 60 1
25 210 60 1
26 220 60 1
27 230 60 1
Berdasarkan tabel hasil pengujian, diketahui bahwa ketika magnitude Vrms bernilai 0; 10; 20 dan timer bernilai 0,2; 60 maka output fuzzy adalah 2 yang berarti interruption, hal ini “sesuai” dengan standar. Interruption memiliki karakteristik nilai tegangan < 22V dengan durasi gangguan 0,01 sampai 60 detik.
Kemudian ketika magnitude Vrms bernilai 30; 40;
50; 180; 190 dan timer bernilai 0,2; 60 maka output fuzzy adalah 3 yang berarti sag, hal ini “sesuai” dengan standar.
Sag memiliki karakteristik nilai tegangan 22 V sampai 198 V dengan durasi gangguan 0,01 sampai 60 detik.
Ketika magnitude Vrms bernilai 200; 210; 220; 230;
240 maka output fuzzy adalah 1 yang berarti normal, hal ini “sesuai” dengan standar. Normal memiliki karakteristik nilai tegangan > 198 V sampai < 242 V.
Kemudian ketika magnitude Vrms bernilai 250; 260
dan timer bernilai 0,2; 60 maka output fuzzy adalah 4 yang berarti swell, hal ini “sesuai” dengan standar. Swell memiliki karakteristik nilai tegangan 242 V sampai 264 V dengan durasi gangguan 0,01 sampai 60 detik.
Ketika magnitude Vrms bernilai 0; 10; 20 dan timer bernilai 61; 90 maka output fuzzy adalah 5 yang berarti sustained-interruption, hal ini “sesuai” dengan standar.
Sustained-interruption memiliki karakteristik nilai tegangan < 22 V dengan durasi gangguan > 60 detik.
Kemudian ketika magnitude Vrms bernilai 30; 40; 50; 180;
190 dan timer bernilai 61; 90 maka output fuzzy adalah 6 yang berarti undervoltage, hal ini “sesuai” dengan standar.
Undervoltage ini memiliki karakteristik nilai tegangan 22 V hingga 198 V dengan durasi gangguan > 60 detik.
Kemudian ketika nilai magnitude Vrms bernilai 250;
260 dan timer bernilai 61; 90 maka output dari fuzzy logic adalah 7 yang berarti overvoltage, hal ini jika dibandingkan dengan standar adalah “sesuai” dimana overvoltage memiliki karakteristik nilai tegangan 242 V sampai 264 V dengan durasi gangguan > 60 detik.
D. Pengujian Prototipe Identifikasi Gangguan Tegangan dibandingkan Simulasi dan Penelitian Sebelumnya Pada pengujian ini dilakukan dengan menggunakan prototipe yang telah dibuat. Dimana prototipe dihubungkan diantara simulator gangguan dan beban lampu pijar 100 W seperti dapat dilihat pada Gambar 12. Simulator gangguan disini berupa Variac yang dapat membuat nilai tegangan bervariasi. Simulator gangguan akan diatur sehingga tercipta berbagai kondisi gangguan tegangan dengan nilai Vrms dan durasi gangguan yang bervariasi.
Dapat dilihat pada Tabel 6 dan Tabel 7 bahwa output dari prototipe adalah sama dengan output dari simulasi pada Tabel 4 dan Tabel 5. Sehingga dapat dikatakan bahwa sistem yang telah dibuat sangat baik dikarenakan memiliki rerata error 0%. Akan tetapi karena memiliki rerata error pengukuran 0,2% maka sistem memiliki akurasi pengukuran 99,8%. Kemudian untuk hasil algoritma fuzzy logic jika dibandingkan dengan penelitian sebelumnya dapat dilihat pada Tabel 8.
Tabel 5. Hasil 2 pengujian simulasi algoritma fuzzy logic No Vrms (Volt) Timer (Sekon) Output Fuzzy
Logic
28 240 60 1
29 250 60 4
30 260 60 4
31 0 60,2 5
32 10 60,2 5
33 20 60,2 5
34 30 60,2 6
35 40 60,2 6
36 50 60,2 6
37 180 60,2 6
38 190 60,2 6
39 200 60,2 1
40 210 60,2 1
41 220 60,2 1
42 230 60,2 1
43 240 60,2 1
44 250 60,2 7
45 260 60,2 7
46 0 90 5
47 10 90 5
48 20 90 5
49 30 90 6
50 40 90 6
51 50 90 6
52 180 90 6
53 190 90 6
54 200 90 1
55 210 90 1
56 220 90 1
57 230 90 1
58 240 90 1
59 250 90 7
60 260 90 7
Gambar 12. Pengujian prototipe identifikasi gangguan tegangan
V. Kesimpulan
Makalah ini menyajikan metode Fuzzy Logic untuk mengidentifikasi gangguan tegangan yang diimplementasikan oleh mikrokontroler ARM STM32F7.
Beban yang digunakan untuk proses pengujian algoritma yang diusulkan adalah beban lampu pijar 100 W.
Berdasarkan pengujian yang telah dilakukan dapat
disimpulkan bahwa, hasil identifikasi menggunakan algoritma fuzzy logic mampu mengidentifikasi enam jenis gangguan yaitu interuption, sag, swell, sustained- interuption, undervoltage dan overvoltage yang sesuai dengan standar IEEE 1159. Dimana sistem memiliki akurasi pengukuran sebesar 99,8 % jika dibandingkan dengan alat ukur standar.
Referensi
[1] Institute for Essential Services Reform (view Nov. 2019),
“Laporan – Electricity Supply Monitoring Initiative,” Institute for Essential Services Reform, IESR. 5 Oct. 2017. [Online].
Available: http://iesr.or.id/ pustaka/laporan-electricity-supply- monitoring-initiative/.
[2] R. C. Dugan, and S. Santoso, Electrical Power System Quality, 2nd ed. Reading, MA: Mc. Graw Hill, 2004.
[3] Transmission and Distribution Committee, IEEE Recommended Practice for Monitoring Electric Power Quality, IEEE std. 1159- 2019, Jun. 2019.
[4] D. J. Won, S. J. Ahn, and S. I. Moon, “A modified sag characterization using voltage tolerance curve for power quality diagnosis,” IEEE Trans. Power Del, vol. 20, no. 4, pp. 2638–
2643, 2005.
Tabel 6. Hasil 1 pengujian prototipe identifikasi gangguan tegangan dibandingkan simulasi
No Input Output
Prototipe Output Simulasi Error
Sistem Vrms (Volt) Timer (Sekon)
1 0 1 2 2 0%
2 10 1 2 2 0%
3 20 1 2 2 0%
4 30 1 3 3 0%
5 180 1 3 3 0%
6 190 1 3 3 0%
7 200 0 1 1 0%
8 210 0 1 1 0%
9 220 0 1 1 0%
10 230 0 1 1 0%
11 240 0 1 1 0%
12 250 1 4 4 0%
13 260 1 4 4 0%
14 0 60 2 2 0%
15 10 60 2 2 0%
16 20 60 2 2 0%
17 30 60 3 3 0%
18 180 60 3 3 0%
19 190 60 3 3 0%
20 200 0 1 1 0%
21 210 0 1 1 0%
22 220 0 1 1 0%
23 230 0 1 1 0%
24 240 0 1 1 0%
25 250 60 4 4 0%
26 260 60 4 4 0%
Tabel 7. Hasil 2 pengujian prototipe identifikasi gangguan tegangan dibandingkan simulasi
No Input Output
Prototipe Output Simulasi Error
Sistem Vrms (Volt) Timer (Sekon)
27 0 61 5 5 0%
28 10 61 5 5 0%
29 20 61 5 5 0%
30 30 61 6 6 0%
31 180 61 6 6 0%
32 190 61 6 6 0%
33 200 0 1 1 0%
34 210 0 1 1 0%
35 220 0 1 1 0%
36 230 0 1 1 0%
37 240 0 1 1 0%
38 250 61 7 7 0%
39 260 61 7 7 0%
40 0 90 5 5 0%
41 10 90 5 5 0%
42 20 90 5 5 0%
43 30 90 6 6 0%
44 180 90 6 6 0%
45 190 90 6 6 0%
46 200 0 1 1 0%
47 210 0 1 1 0%
48 220 0 1 1 0%
49 230 0 1 1 0%
50 240 0 1 1 0%
51 250 90 7 7 0%
52 260 90 7 7 0%
Tabel 8. Perbandingan dengan penelitian sebelumnya Nama Penulis Metode
Identifikasi Jenis Gangguan
yang Diidentifikasi Akurasi (%) Abdelazeem
(2012) Kalman filter + Fuzzy
logic
Interuption, Sag, Swell, Surge,
Harmonic
98,71
Martin (2016) Derrivative filter + Fuzzy Logic
Interuption, Sag,
Swell 99,75
“Penulis” (2020) Simplified
Fuzzy Logic Interuption, Sag, Swell, Sustained- Interuption, Undervoltage,
Overvoltage
99,8
[5] R. H. G. Tan and V. K. Ramachandaramurthy, “Voltage sag acceptability assessment using multiple magnitude-duration function,” IEEE Trans. Power Del, vol. 27, no. 4, pp. 1984–1990, 2012.
[6] T. Santhanayaki and D. K. R. Valluvan, “Identification of sags and swells using pic microcontroller,” International Journal of Scientific Research Engineering & Technology (IJSRET), vol 1, no. 12, pp. 011-016, 2013.
[7] R. Naido and P. Pragasen, “A new method of voltage sag and swell detection,” IEEE Trans. Power Del, vol. 22, no. 2, pp.0885- 8977, 2007.
[8] C. N. Lu and C. C. Shen, “Voltage sag immunity factor considering
severity and duration,” IEEE Power Eng. Soc. Gneral Meeting, vol. 1, no. 1, pp. 626-630, 2004.
[9] A. A. Abdelsalam and A.A. Eldesouky, “Characterization of power quality disturbance using hybrid technique of kalman filter and fuzzy-expert system,” Electric Power Systems Research, vol.
1, no. 83, pp. 41-50, 2012.
[10] M. V. Rodriguez and D. G. Lieberman, “A new methodology for tracking and instantaneous characterization of voltage variations,”
IEEE Trans.On Instrumentation And Measurement, vol. 65, no. 7, pp. 0018-9456, 2016.
[11] A. Kusko and M. T. Thompson, Power Quality in Electrical System, 2nd ed. Reading, MA: Mc. Graw Hill, 2007.
